[發明專利]一種基于深度哈希編碼的花型作圖素材推薦方法

在審

• 申請號: 202111480789.1
• 申請日: 2021-12-06
• 公開（公告）號: CN114185965A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 金海云;伍賽;傅琳;王朔;徐策
• 申請（專利權）人: 杭州慕銳科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62;G06N3/08
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 程嘉煒

本發明公開了一種基于深度哈希編碼的花型作圖素材推薦方法，包括深度哈希編碼模組、素材聚類模塊、素材搭配統計模塊與素材搭配推薦模塊，所述素材聚類模塊包括根據深度哈希編碼得到的特征向量，所述素材聚類模塊以歐氏距離為度量與k?means算法進行聚類，所述素材搭配統計模塊包括已有素材進行類別的分組，所述素材搭配統計模塊包括已有的作圖信息和素材分組統計各類別素材之間的搭配頻率。該基于深度哈希編碼的花型作圖素材推薦方法根據已有的素材搭配關系和素材的深度哈希編碼和k?means聚類抽取出花型素材之間的空間距離關系，進行智能化的花型作圖素材推薦，給設計師提供創作靈感，更為省時省力。

技術領域

本發明涉及神經網絡、機器學習、推薦技術領域，尤其涉及一種基于深度哈希編碼的花型作圖素材推薦方法。

背景技術

近年來，隨著神經網絡和深度學習的發展，圖像領域得到了巨大的突破，神經網絡尤其是卷積神經網絡以及其變體能夠對圖像的特征進行非常深刻的理解和提取，并將得到的特征向量進行各種應用，如目標檢測、圖像檢索等技術；器學習是一門多領域交叉學科，在近數十年得到了廣泛的應用以及發展，由于神經網絡和深度學習的出現，機器學習再次引起了熱潮，與機器學習相關的學術活動以及工業應用空前活躍。

互聯網的出現和普及給用戶帶來了大量的信息，但同時也導致了信息的使用效率的降低，造成信息超載，推薦系統應運而生，主要應用于研究用戶偏好，主要用于電子商務領域，在設計領域的應用推薦系統相對較少。

發明內容

本發明的目的是為了解決現有技術信息的使用效率的降低，造成信息超載，推薦系統應運而生，主要應用于研究用戶偏好，主要用于電子商務領域，在設計領域的應用推薦系統相對較少的問題，而提出的一種基于深度哈希編碼的花型作圖素材推薦方法。

為了實現上述目的，本發明采用了如下技術方案：

一種基于深度哈希編碼的花型作圖素材推薦方法，包括深度哈希編碼模組、素材聚類模塊、素材搭配統計模塊與素材搭配推薦模塊，所述素材聚類模塊包括根據深度哈希編碼得到的特征向量，所述素材聚類模塊以歐氏距離為度量與k-means算法進行聚類，所述素材搭配統計模塊包括已有素材進行類別的分組，所述素材搭配統計模塊包括已有的作圖信息和素材分組統計各類別素材之間的搭配頻率，所述素材推薦模塊包括根據統計出來的搭配頻率和相對歐氏距離返回推薦的作圖素材。

優選地，所述哈希編碼模組基于深度學習神經網絡提取的各層特征，將目標圖像表示為一串長度為684維的二值編碼，并且保證相似的圖像具有相似的二值編碼。

優選地，所述素材聚類模塊通過各個素材的哈希編碼得到的684維向量為基礎，以歐氏距離為度量，通過k-means的機器學習算法對已有的大量素材進行聚類，通過不斷調整超參數k，各類別的素材數量相對均勻。

優選地，所述統計素材搭配統計模塊根據已有的花型設計方案，根據得到的素材類別結果，進行各類別素材之間的搭配關系頻率的統計，并將其結果存儲至一個二維矩陣之中。

優選地，所述素材搭配推薦模塊根據所得到的聚類結果，對于設計師用戶選擇的素材進行分類，與該類別搭配次數的其他素材類，基于相對距離，并以搭配次數作為除數計算出一個權重，根據權重排序返回推薦結果。

一種基于深度哈希編碼的花型作圖素材推薦方法，步驟一、深度哈希編碼模組：1訓練過程，將訓練集所有圖片按照類別標簽輸入深度神經網絡當中，卷積層會逐層處理特征圖，并將最終的特征圖輸入全連接層并生成相應哈希碼，神經網絡在訓練過程中，會傾向于將同類型的圖片的哈希碼相似性提高，從而達到聚類的效果；2推理過程，輸入圖片步驟一訓練好的網絡中生成對應的哈希碼，供后面模塊使用；